The interaction between rationality, politics and artificial intelligence in the decision-making process
Notice bibliographique
Résumé
This review paper delves deeply into the intricate correlation between rational and political strategies in the decision-making process of information technology governance (ITG). The core focus is to understand how advanced technologies like artificial intelligence (AI), machine learning, and decision intelligence, when juxtaposed with traditional political decision-making methods and rational conceptualization (Cohen & Comesaña, 2023), coalesce within the ITG framework. The authors posit that while ITG’s decision-making can be influenced by AI, rationality, or politics, there’s a discernible alignment of managerial actions leveraging big data and machine learning with rational models, rather than political ones. Furthermore, the paper touches upon the power dynamics and strategic decision-making processes that often underpin ITG decisions. This research not only deepens the theoretical understanding but also provides pragmatic recommendations, making it invaluable for informed resource management in business management and ITG (Filgueiras, 2023). Through this exploration, stakeholders can better navigate the complexities of ITG, ensuring that technology aligns with organizational goals and strategies. As this paper identifies the power dynamics and strategic decision-making processes that often underpin ITG decisions, we can state that there was a discernible alignment of managerial actions leveraging big data and machine learning with rational models, rather than political ones.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».